Как написать регулярное выражение для синтаксического анализа html?

Question

Я пытаюсь написать регулярное выражение для моего html-анализатора.

Я хочу сопоставить html-тег с заданным атрибутом (например. <div> с class="tab news selected" ) , который содержит один или несколько <a href> Теги.Регулярное выражение должно соответствовать всему тегу (из <div> Для </div>).Кажется, я всегда получаю ошибки "память исчерпана" - моя программа, вероятно, принимает каждый тег, который она может найти, за соответствующий.

Я использую библиотеки регулярных выражений boost.

Answer 1

Вы также можете счесть эти вопросы полезными:

Можете ли вы привести несколько примеров того, почему трудно анализировать XML и HTML с помощью регулярного выражения?

Можете ли вы привести пример синтаксического анализа HTML с помощью вашего любимого анализатора?

Answer 2

Вероятно, вам следует взглянуть на этот вопрос ре.регулярные выражения и HTML.Суть в том, что использование регулярных выражений для синтаксического анализа HTML ни в коем случае не является идеальным решением.

Answer 3

Как уже говорили другие, не используйте регулярные выражения, если это вообще возможно.Если ваш код на самом деле является XHTML (т.е.это также хорошо сформированный XML) искусственный интеллект может рекомендовать как Ксерксы и Эмигрант Синтаксические анализаторы XML, которые будут выполнять за вас гораздо лучшую работу, чем регулярные выражения.

Answer 4

Возможно, регулярные выражения - не лучшее решение, но я уже использую около пяти разных библиотек, и boost отлично справляется с поиском <a href> теги и ключевые слова.

Я использую эти регулярные выражения:

/<a[^\n]*/searched attribute/[^\n]*>[^\n]*</a>/ для определения местоположения <a href> теги и:

/<a[^\n]*href[[^\n]*>/searched keyword/</a>/ для поиска ссылок

(Кстати, можно ли это сделать лучше?- Я отстой в регулярных выражениях ;))

Что мне сейчас нужно, так это найти теги, содержащие <a href>'s и я думаю, что с регулярными выражениями все будет в порядке - возможно, мне нужно будет написать свою собственную функцию синтаксического анализа, как сказал Петр.

Answer 5

Делайте так, как это делает flex:сопоставьте <div> сопоставьте без учета регистра и переведите ваш анализатор в состояние "div matched", продолжайте обрабатывать входные данные до </div> и сбросьте состояние.

Для этого требуется два регулярных выражения и переменная состояния.

Допустимыми символами тегов SGML являются [A-Za-z_:]

Итак:/<[A-Za-z_:]+>/ соответствует тегу.